-
公开(公告)号：CN115320684B
公开(公告)日：2024-03-12
申请号：CN202211140716.2
申请日：2022-09-20
Applicant: 燕山大学
Abstract: 本发明公开了一种可自主上下楼的物资运输车，包括车体和设置于车体下方的行走机构，车体的侧壁嵌入滑动设置有两两相对的双面带凹槽齿条，4个所述双面带凹槽齿条的外侧均活动设置有摇杆‑连杆机构，两两相对的双面带凹槽齿条之间均分别设置有带动车体上下升降的车体升降机构，车体内部的中间位置固定设置有用于放置货物的载物台，车体前方外侧固定设置有超声波传感器，车体底部外侧的前面、中央和尾部分别设置有红外距离探测仪，所述车体内部的底部固定设置有电子组件，行走机构、摇杆‑连杆机构、车体升降机构、超声波传感器和红外距离探测仪均电性连接电子组件，本发明用于实现楼道和平地等情形下的货物的自动运输，减少人工搬运的成本。
-
公开(公告)号：CN114490603A
公开(公告)日：2022-05-13
申请号：CN202210024017.5
申请日：2022-01-11
Applicant: 燕山大学
IPC: G06F16/215 , G06K9/62
Abstract: 本发明公开了一种基于增量局部异常因子的机械流式数据清洗方法，属于机械故障诊断及状态监测技术领域，所述方法包括：构建局部异常因子模型，获取历史监测数据集，将历史监测数据进行多维特征属性特征提取，并形成历史监测数据LOF结果集；根据流式在线监测数据，基于增量流入LOF将历史监测数据LOF结果集更新为流式数据LOF结果集；根据流式数据LOF结果集，基于增量删除LOF，对流式在线监测数据进行数据清洗。本发明仅对受流入数据影响的数据对象进行变量值的查询计算和域的更新，并通过异常阈值识别并删除异常数据，计算复杂度相比传统LOF大大降低，计算耗时更小，能够满足一般流式监测数据质量保障实时性要求。
-
公开(公告)号：CN114462480A
公开(公告)日：2022-05-10
申请号：CN202111599158.1
申请日：2021-12-24
Applicant: 燕山大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/00 , G01M13/045
Abstract: 本发明涉及一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，对轧机的振动信号数据和声音信号数据进行融合从而实现轧机的故障诊断；该方法能够摆脱单一传感器的局限性，通过融合多传感器的数据，从而进行有用信息的互补，达到更高的诊断精度，解决非均衡数据集问题。用改进的一维卷积神经网络对轧机设备诊断系统采集的声音信号进行特征提取，利用改进的二维卷积神经网络对轧机设备诊断系统采集的振动信号的峰度图进行特征提取，最后在进行总的特征融合，该方法可以对充分信息提取，能够很好的应对轧机实际生产过程中所遇到的故障状态过少的问题，实现高诊断率以及准确率。
-
公开(公告)号：CN109632309A
公开(公告)日：2019-04-16
申请号：CN201910042618.7
申请日：2019-01-17
Applicant: 燕山大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
CPC classification number: G01M13/045 , G06K9/00523 , G06K9/00543 , G06K9/6256 , G06K9/6267 , G06N3/0454 , G06N3/088
Abstract: 本发明公开了一种基于改进S变换与深度学习的滚动轴承故障智能诊断方法，通过对S变换加入窗宽调节因子的方式来改变其高斯窗函数窗宽，进而改善S变换的时频分辨率，使其能精确地检测到振动信号中的冲击分量，以便更好的提取滚动轴承振动信号的故障特征。本方法对轴承故障的振动信号做改进S变换，得到信号的特征矩阵，将特征矩阵按列展开成特征向量输入到稀疏自动编码器模型中，利用编码器的特性，进一步提取数据的深层特征，挖掘出人工无法识别的一些重要的隐含信息；并对提取到的特征做出准确的分类。本发明可以有效的提高滚动轴承故障诊断的准确率。
-
公开(公告)号：CN106127176B
公开(公告)日：2019-03-22
申请号：CN201610513459.0
申请日：2016-07-04
Applicant: 燕山大学
Abstract: 一种基于PSO‑SVM和分形盒维数的变载荷工况下齿轮故障诊断方法，包括以下步骤：1、通过齿轮振动时域图的峭度对齿轮带负载类型进行分类；2、求每种负载类型下的时域振动信号的分形盒维数、裕度因子、峰值因子、波形因子、脉冲因子等特征参数作为故障分类指标；3、进行基于粒子群优化支持向量机(PSO‑SVM)模型的搭建与训练，每一种负载类型建立一个PSO‑SVM，将步骤2得到的故障分类指标输入到相应的PSO‑SVM中进行故障分类。本发明方法能够很好地对变载荷下的齿轮故障类型进行分类，解决了变载荷激励下齿轮故障难以诊断的问题。
-
Patent Agency Ranking
公开(公告)号：CN106446320A
公开(公告)日：2017-02-22
申请号：CN201610538773.4
申请日：2016-07-08
Applicant: 燕山大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于IMF瞬时能量曲率差值的井架钢结构损伤识别方法，包括以下步骤：对井架钢结构进行模态分析确定其低阶振动模态，对井架钢结构进行瞬态动力学分析提取其不同部位的振动响应；利用带通滤波方法提取井架钢结构不同部位的低阶振动信号，对其进行EMD分解选取主要的IMF分量，采用中央差分法计算IMF瞬时能量曲率；将井架钢结构损伤前后IMF瞬时能量曲率差值作为损伤敏感性指标，从而实现井架钢结构损伤位置及程度的识别与分析。本发明仅利用井架钢结构的低阶振动信息，即可实现损伤位置的识别，且识别准确率高，解决了大型复杂钢结构高阶振动信息难获取从而无法准确识别损伤的问题。
-
公开(公告)号：CN106203325A
公开(公告)日：2016-12-07
申请号：CN201610531414.6
申请日：2016-07-07
Applicant: 燕山大学
IPC: G06K9/00
CPC classification number: G06K9/0051 , G06K9/00523 , G06K9/00536
Abstract: 一种基于增强级联多稳随机共振的微弱故障信号特征提取方法，所述方法首先在多稳随机共振系统的基础上将多个多稳系统进行级联，然后通过给级联多稳系统各级分别施加时间尺度与多稳系统的特征时间相匹配的第二周期驱动信号,使多稳系统中产生随机共振加强的新现象。本发明方法增强了对微弱信号检测的能力，克服强噪声背景下微弱信号难以提取的问题，使被噪声淹没的微弱故障信息得到放大，并实现了轴承机械故障的诊断。
-
公开(公告)号：CN104680011A
公开(公告)日：2015-06-03
申请号：CN201510086327.X
申请日：2015-02-16
Applicant: 燕山大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于AMD的去除经验模态分解中模态混叠方法，包括以下步骤:(1)对原始信号进行EMD分解，得到各个固有模态函数，观察固有模态函数是否存在模态混叠现象；(2)求出第一个固有模态函数的瞬时频率特性，可根据其判断是否存在模态混叠现象；(3)若IMF1的瞬时频率存在差异较大的频率成分，则说明出现模态混叠现象，并可根据瞬时频率得出间断信号的起止时刻；(4)若存在模态混叠现象，则根据IMF1瞬时频率中频率成分确定二分频率值；(5)利用该二分频率值对原信号进行AMD分解，提取出间断信号后再进行EMD分解。本发明能有效地消除EMD分解过程中的模态混叠现象，使IMF更可靠地反映真实物理过程。
-
公开(公告)号：CN104330624A
公开(公告)日：2015-02-04
申请号：CN201410467815.0
申请日：2014-09-15
Applicant: 燕山大学
IPC: G01R23/16
Abstract: 一种非平稳信号紧密间隔频率成分的检测方法，所述方法包括以下步骤：对待测非平稳信号进行EMD分解，再通过希尔伯特变换得到待测非平稳信号的时频谱和边际谱；通过对频谱图数据的处理得到每个频率成分的值，并采用滤波方法提取出不同频率成分的信号；通过AMD分解判别各个频率成分是否含有多个没有被分离开的频率值；如果信号有频率混叠的现象，则对频率成分进行AMD分解，分离频率相近的信号；对分离出的信号再按照以上步骤顺序进行操作，直至分离出单一频率信号为止，保证分解的信号都是单一频率成分的。本发明解决了希尔伯特黄变换不能有效分离两个紧密间隔频率成分信号的问题，保证了信号有效数据的正确分解，提高了信号的分解精度。
-
公开(公告)号：CN114398955B
公开(公告)日：2024-08-27
申请号：CN202111548527.4
申请日：2021-12-17
Applicant: 燕山大学
IPC: G06F18/2413 , G01M13/028
Abstract: 本发明涉及大数据处理与机械故障诊断技术领域，尤其是一种基于自然近邻类的机械监测标签数据质量保障方法，基于非参数算法构造的自然近邻图，建立标签数据不同样本之间的关系，通过这种关系，搜索不同的类；计算类局部离群因子来评估不同类的异常程度，将CLOF大于预定阈值的类检测为低质量数据，对清洗后的标签数据进行自然近邻图重构，基于该自然近邻图，检测错误标记的数据，并识别未标记数据的标签，还可用于查找带有新类型的标签数据；本发明能够有效地检测不同标签数据中的低质量数据，使标签数据可以基于自然近邻自动识别和标记，进一步提高了标签数据的质量，有助于智能故障诊断建模和机械监测数据质量的提高。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.019 seconds)
